想法是这样的,根据一个随手输入的乡村地名,匹配出其严格的五级行政地址。例如输入的”无极县东侯坊乡南池阳村助农点“,便要匹配出”河北省-石家庄市-无极县-东侯坊乡-南池阳村“。后面的这个五级的行政地址是已知存在数据库里的。
大概的思路是首先进行分词,如上面的分成”无极县“,”东侯坊乡“,”南池阳村“,然后再匹配看有没有包含这几个词的五级行政地名。
第一部分:分词
1.构建分词的地名字典
要分词首先要有字典。这里我们已经明确都是行政地名,所以构建这样的地名字典还是很简单的。还是上面的例子”河北省-石家庄市-无极县-东侯坊乡-南池阳村“,拆分成”河北省“,”石家庄市“,”无极县“,”东侯坊乡“,”南池阳村“便就可存入地名字典了。这个地名字典属于是静态且可重复利用的,这部分我便就在数据库端处理了。
创建地名字典表namedict
CREATE TABLE`namedict` (
`id`INT(11) NOT NULLAUTO_INCREMENT,
`name`VARCHAR(50) NULL DEFAULT NULL COLLATE 'utf8_bin',PRIMARY KEY(`id`)
)
之后往表里插入记录
insert into`namedict` (name)select distinct(substring_index(substring_index(village_name,'-',1),'-',-1)) from new_village --河北省
union all
select distinct(substring_index(substring_index(village_name,'-',2),'-',-1)) from new_village --石家庄市
union all
select distinct(substring_index(substring_index(village_name,'-',3),'-',-1)) from new_village --无极县
union all
select distinct(substring_index(substring_index(village_name,'-',4),'-',-1)) from new_village --东侯坊乡
union all
select distinct(substring_index(substring_index(village_name,'-',5),'-',-1)) from new_village --南池阳村
统计了一下地名字典表namedict里共计33万多条的记录。
2.分词判断
有了地名字典就可以进行分词判断了。比如”无极县“,拿这个词到字典里匹配一下是否存在,就知道是否有这个地名了。而”无极县东“在字典里是不存在的,那就可以知道这个地名是不存在的,就不能这样分词了。这里面要注意匹配时判断的效率问题,要避免全扫描,不能每次匹配判断都把33万条记录都扫描一遍,因为一个名字是要经过多次的分词判断才能够得到结果的。也正是这个原因,我把地名字典的所有条目都加载到python的变量里的,这样能够避免多次地和数据库交互。
a.首先先进行hash判断
把33万条记录存放到python的字典变量dict里,那么通过一次hash判断就知道这个地名是否存在。
b.然后再进行范围扫描判断
我们都知道”石家庄市“和”石家庄“是一个意思,但是在dict里面存”石家庄市“而用”石家庄“去匹配是匹配不到的,这里就需要用到范围扫描。
1)把33万个名字再存放到一个list里面,并以一定的规则从小到大排序,如[a1,a2,a3,a4,...,an],且(a1
2)if xan,那就表示x不在list的范围里,也就表示x不在名字字典的范围里,那就不用考虑了。
3)if not (xan),那么可以先对排序的列表进行分组,每1000元素个作为一个分组。因为是递增排序的,从最右边(最大的)的分组开始,对每个分组的第一个元素(每个分组中最小的元素)进行比较。如果小于等于了这个分组的第一个元素,就表示了这个x在这个分组的范围之内。再以这个分组的第一个元素为开始,向后查询。如果x<=list[i],那么i就是这个范围的起点;如果x>list[j],那么j就是这个范围的终点。这种方式其实就是参考了数据库的索引范围查找算法(B+Tree index range scan),虽说也不算高效,但也比全扫描要好很多了。
3.分词
分词以两个字为起点开始分词,以“无极县东侯坊乡南池阳村助农点”为例:
“无极”是一个词,“无极县”是一个词,“无极县东”不是一个词,那把“无极县”提取出来后面的“东侯坊乡南池阳村助农点”继续。直到拆分成“无极县”,“东侯坊乡”,“南池阳村”。
二.根据分词对五级村名进行匹配
这部分其实也很简单,只要一条SQL语句就能搞定最后的匹配了:
mysql> select village_name from new_village where village_name like '%无极县%东侯坊乡%南池阳村%';+------------------------------------------------------------+
| village_name |
+------------------------------------------------------------+
| 河北省-石家庄市-无极县-东侯坊乡-南池阳村 |
+------------------------------------------------------------+
1 row in set (0.62 sec)
这样的语句是不能走索引的只能全表扫描,不过好在全表也就66万多条记录,总共就几十M的大小,完全可以缓存在数据库的内存里的。
不过即便如此也还是有可优化的空间的。首先把所有的66万个五级行政村名都放到python的list里面,其后可以采取类似数据库全文索引的方法。全文索引的难点在于分词以及stopword的鉴定,而我们这里的条目天然就是已分词好的:”河北省-石家庄市-无极县-东侯坊乡-南池阳村“,也不存在stopword。这里我们需要做的只是记录下每个词所在列表的位置。还是上面那个例子:
fullindex["无极县"]=set([58414, 58415, 58416, 58417, 58418, 58419, 58420, 58421, 58422, 58423,...])
fullindex["东侯坊乡"]=set([58445, 58446, 58447, 58448, 58449, 58450, 58451, 58452, ...])
fullindex["南池阳村"]=set([58460])
再对这几个集合做交集操作得到set([58460]),那list[58460]就是我们要找的“河北省-石家庄市-无极县-东侯坊乡-南池阳村”。(这里得到的是最好的情况有且仅有一个,也有可能会有多个例如只写了个“河北”,那会把河北省所有的村都匹配出来;也有可能一个也没有,那就是地名写的不对,一个也匹配不出来。)
三.运行情况:
1.占用内存
因为对于数据库的操作就是开始的时候加载了两份数据:地名字典(33万)和五级行政村名(66万),大部分的操作都是通过代码实现的,所以最后统计了下比较重要的几个python变量所占用的内存:
存储地名字典的列表:2678096
存储地名字典的dict:12583184
存储五级村名的列表:5429648
存储分词位置的dict:12583184
总共看下来程序运行大概会占用33M左右的内存。
2.花费时间
整个程序运行一次要47秒左右,其中从数据库加载数据的时间比较长,大概要42秒,程序进行分词再对村名进行匹配大概用了5秒左右。如果把程序改成服务端的,那只要在启动的时候加载一次数据即可。要是在分词匹配村名之前能够确认省份的话,那这一动作就能降到1秒左右,就基本能够满足线上操作的要求了。
最后大致的代码如下:
#!/usr/local/bin/python#-*- coding: utf8 -*-
'''Created on 2016年6月12日
@author: PaoloLiu'''
from mysqlhelper import *
importlogging,re,sys,itertools,timedeflogger():
logging.basicConfig(level=logging.DEBUG,
format='%(asctime)s [%(levelname)s] [%(filename)s] [%(threadName)s] [line:%(lineno)d] %(message)s',
datefmt='%Y-%m-%d %H:%M:%S')defget_list_dict(mysqldb):
results=mysqldb.executequery("select name from namedict")
list_dict=[]for row inresults:
list_dict.append(row[0].decode("utf8"))
list_dict.sort(cmp=None, key=None, reverse=False)returnlist_dictdefget_dic(list_dict):
dic={}for item inlist_dict:
dic[item]=1
returndicdefindex_range(list,item):#list要求是已排序的
length=len(list)
result={}if itemlist[len(list)-1]:
result["error"]=Trueelse:for i in range(length/1000,-1,-1):if item>=list[i*1000]:
branch=i*1000
#logging.debug("branch="+str(branch))
break
for i inrange(branch,length):if list[i]>=item:
result["begin"]=i
result["end"]=i#logging.debug("result[\"begin\"]="+str(result["begin"]))
break
for i in range(result["begin"],length):if item
result["end"]=i#logging.debug("result[\"end\"]="+str(result["end"]))
returnresultdefisexist(name,dic,list_dict):passresult=[]ifdic.get(name):
result.append(name)else:passrange_result=index_range(list_dict,name)if range_result.get("error"):pass
else:for i in range(range_result["begin"],range_result["end"]+1):#logging.debug("name="+name)#logging.debug("listname="+list_dict[i][0])
if re.match(name+".*",list_dict[i]):#logging.debug("name="+name)#logging.debug("listname="+list_dict[i][0])
result.append(list_dict[i])returnresultdefdiv_word(name,dic,list_dict):
divlist=[]while len(name)>=2:
match_flag=0#logging.debug("name:"+name)
for i in range(2,len(name)+1):
result=[]
result=isexist(name[0:i],dic,list_dict)#logging.debug("test name:"+name[0:i])
if len(result)>0:passmatch_flag=1previous=resultelse:if match_flag==1:#logging.debug("div name1:"+name[0:i-1])
divlist.append(previous)#logging.debug(previous)
name=name[i-1:]#logging.debug("new name:"+name)
break
if i==len(name) and len(result)>0:#logging.debug("div name2:"+name[0:i])
divlist.append(result)
name=name[i:]elif i==len(name):
name=name[1:]returndivlistdefget_fullname_list(mysqldb):
strsql="select village_name from new_village;"results=mysqldb.executequery(strsql)
fullname_list=[]for row inresults:
fullname_list.append(row[0].decode("utf8"))returnfullname_listdefget_fullindex(fullname_list):
fullindex={}for i inrange (0,len(fullname_list)):
split_list=fullname_list[i].split("-")for item insplit_list:iffullindex.get(item):
fullindex[item].add(i)else:
fullindex[item]=set()
fullindex[item].add(i)returnfullindexdefmain():
begin=time.time()
mysqldb=mysqlhelper("dbaadmin","123456","172.16.2.7","3306","spider")
mysqldb.connect()
list_dict=get_list_dict(mysqldb)
dic=get_dic(list_dict)
fullname_list=get_fullname_list(mysqldb)
fullindex=get_fullindex(fullname_list)
load_data_time=round((time.time()-begin),2)
logging.info("加载数据耗时"+str(load_data_time))
logging.info("==============================================")
name=u"无极县东侯坊乡南池阳村助农点"divlist=div_word(name, dic, list_dict)for x in itertools.product(*divlist):
result=fullindex[x[0]]#logging.debug(x[0])#logging.debug(fullindex[x[0]])
for i in range(1,len(x)):#logging.info(x[i])#logging.info(fullindex[x[i]])
result=result&fullindex[x[i]]if len(result)>0:for item inresult:#logging.debug(item)
logging.info("match name:"+fullname_list[item])
match_time=round((time.time()-begin-load_data_time),2)
logging.info("名称匹配耗时"+str(match_time))
logging.info("==============================================")
logging.info("list_dict getsizeof:"+str(sys.getsizeof(list_dict)))
logging.info("dic getsizeof:"+str(sys.getsizeof(dic)))
logging.info("fullname_list getsizeof:"+str(sys.getsizeof(fullname_list)))
logging.info("fullindex getsizeof:"+str(sys.getsizeof(fullindex)))
mysqldb.close()if __name__ == '__main__':passlogger()
main()